Login for students

Login for employees

Publication detail

Automatic Classification of Facial Palsy Using Time Series Feature Extraction
Authors: Vladyka Tomáš | Kohout Jan | Doležel Petr
Year: 2025
Type of publication: ostatní - článek ve sborníku
Name of source: 9th Computational Methods in Systems and Software 2025
Publisher name: Springer Nature Switzerland AG
Place: Cham
Page from-to: neuvedeno
Titles:
Language Name Abstract Keywords
cze Automatická klasifikace onemocnění lícního nervu V této práci je zhodnocena vhodnost knihovny Time Series Feature Extraction using Deep Learning (TSFEDL) pro automatickou klasifikaci stupně poškození na základě časové řady 21 bodů zájmu (POI) na obličeji pacienta během standardizované sady obličejových cvičení. Na reálných klinických datech byly vyhodnoceny čtyři různé hluboké modely (HtetMyetLynn, WeiXiaoyan, ZhangJin a HuangMeiLing). Výsledky ukázaly, že neuronová síť zahrnující vrstvy s dlouhou krátkodobou pamětí (LSTM) dosáhla nejlepších výsledků s maximální přesností 55,016 %. Použití GRU a mechanismu prostorově-časové pozornosti se ukázalo jako účinná strategie, která významně snižuje riziko přetrénování neuronových sítí. Automatická; klasifikace; onemocnění; lícního; nervu
eng Automatic Classification of Facial Palsy Using Time Series Feature Extraction Objective evaluation of facial nerve function is crucial for the diagnosis and monitoring of facial palsy treatment. In this work, we evaluate the suitability of the Time Series Feature Extraction using Deep Learning (TSFEDL) library for automatic classification of the degree of impairment based on time series of 21 Points of Interest (POIs) on the patient's face during a standardized set of facial exercises. Four different deep models (HtetMyetLynn, WeiXiaoyan, ZhangJin, and HuangMeiLing) were evaluated on real clinical data. The results showed that the neural network that included long short-term memory (LSTM) layers achieved the best results with a maximum accuracy of 55.016\%. The use of GRUs and a spatiotemporal attention mechanism proved to be an effective strategy that significantly reduces the risk of overtraining neural networks. Automatic; Classification; Facial; Palsy; Using; Time; Series; Feature; Extraction

Department

Map

en.mapy.cz

Services

Popular Links

© 2023 University of Pardubice, Studentská 95, 532 10 Pardubice 2
Phone: +420 466 036 111, 466 036 112, 466 036 113
Webmaster, RSS
Data box ID: f5vj9hu
Accessibility Statement
CC BY-NC-ND 4.0Creative CommonsAttributionNonCommercialNoDerivatives